ارائه یک روش بهبودیافته تشخیص هواپیمای بدون سرنشین با استفاده از یادگیری عمیق جهت افزایش سرعت تشخیص مقالة

مؤلف: اصغری توچائی، سید امیر ؛ بینش مروستی، محمدرضا ؛ انصاریان، سجاد ؛

پدافند الکترونیکی و سایبری بهار 1402، سال یازدهم - شماره 1 ، ب (Ministry of Science/ISC (‎16 صفحة - من 81 إلی 96 )

الکلمات المفتاحية: یادگیری عمیق مجموعه داده ها تشخیص پهپاد detection Drone . Deep learnings datasets

خلاصة:

چکیدهدر سال های اخیر، پرنده های هدایت پذیر از دور(پهپادها) به طور قابل توجهی در دسترس عموم مردم قرار گرفته است. قیمت های مقرون به صرفه، مجهز بودن به تکنولوژی های پیشرفته، اندازه های کوچک، قابلیت حمل و راه اندازی آسان و... نگرانی های زیادی ایجاد می کند. به طور مثال از پهپادها می توان برای فعالیت های مخرب، جاسوسی از املاک خصوصی، پایش مکان های حیاتی، حمل اشیاء خطرناک مانند مواد منفجره و... استفاده کرد که تهدید بزرگی برای جامعه است. به همین دلیل شناسایی هواپیمای بدون سرنشین امری مهم در نظر گرفته شده است. به منظور رفع چالش های فوق، دانشگاه و صنعت چندین راه حل در سال های اخیر ارائه داده اند. از سیستم های سنجش راداری، تصویری، صوتی، فرکانس رادیویی و... برای شناسایی هواپیماهای بدون سرنشین استفاده می شود. بر اساس مطالعات اخیر به نظر می رسد طبقه بندی مبتنی بر یادگیری ماشین برای شناسایی هواپیماهای بدون سرنشین می تواند امیدوار کننده باشد. در این مقاله، یک روش بهبودیافته برای تشخیص هواپیماهای بدون سرنشین بر اساس یادگیری عمیق معرفی می شود. این سیستم بر پایه شناسایی توسط دوربین طراحی شده است. بر مبنای تصاویر دوربین، سیستم، مکان پهپاد را بر روی تصویر با کشیدن کادر دور آن مشخص می کند. این روش در واقع از کتابخانهOpenCV و الگوریتم YOLO بهره برده است. تصاویر هواپیماهای بدون سرنشین جمع آوری شده و سپس با در نظر گرفتن پارامتر سرعت، فرایند یادگیری صورت می گیرد. نتایج شبیه سازی نشان می دهد حدوداً در زمان 17میلی ثانیه، تشخیص هواپیمای بدون سرنشین با دقت 85% درصد انجام می شود.

خلاصة: (مترجم بواسطة الذكاء الاصطناعي)

خلاصه فی السنوات الاخیره، اصبحت الطايرات الموجهه عن بعد (الطايرات بدون طیار) متاحه للجمهور بشکل کبیر. الاسعار المعقوله، والتکنولوجیا المتقدمه، والاحجام الصغیره، وسهوله الحمل والاستخدام وغیرها من المیزات تثیر العدید من المخاوف. علی سبیل المثال، یمکن استخدام الطايرات بدون طیار فی الانشطه التخریبیه، والتجسس علی الممتلکات الخاصه، ورصد الاماکن الحیویه، ونقل الاشیاء الخطره مثل المتفجرات، مما یشکل تهدیدا کبیرا للمجتمع. لذلک، یعتبر تحدید الطايرات بدون طیار امرا هاما. لمواجهه هذه التحدیات، قدمت الجامعات والصناعه العدید من الحلول فی السنوات الاخیره. تستخدم انظمه القیاس الراداریه، والمريیه، والصوتیه، وترددات الرادیو لتحدید الطايرات بدون طیار. وفقا للدراسات الحدیثه، یبدو ان التصنیف القايم علی التعلم الالی یمکن ان یکون واعدا فی تحدید الطايرات بدون طیار. فی هذه المقاله، یقدم طریقه محسنه لکشف الطايرات بدون طیار بناء علی التعلم العمیق. هذا النظام مصمم للتحدید بواسطه الکامیرا. بناء علی صور الکامیرا، یحدد النظام موقع الطايره بدون طیار علی الصوره برسم اطار حولها. هذه الطریقه استفادت فی الواقع من مکتبه OpenCV وخوارزمیه YOLO. تم جمع صور الطايرات بدون طیار ومن ثم یتم تنفیذ عملیه التعلم مع اخذ سرعه الطايره فی الاعتبار. تظهر نتايج المحاکاه انه یمکن تحدید الطايره بدون طیار بدقه 85% فی غضون حوالی 17 مللی ثانیه.

استلام ملف الإرجاع :
(پژوهیار, , , )

تحميل
تحميل HTML

رابط قصير:

صفحة:

دخول / الاشتراک

تحتاج الدخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.

دخول

الاشتراک

تحتاج دخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.
إن كنت لا تقدر علی شراء الاشتراك عبرPayPal أو بطاقة VISA، الرجاء ارسال رقم هاتفك المحمول إلی مدير الموقع عبر webmaster@noormags.com .

You need Sign in to view the content of the article. If you are not a member, proceed from part Sign up.
If you fail to purchase subscription via PayPal or VISA Card, please send your mobile number to the Website Administrator via webmaster@noormags.com .

دخول / الاشتراک

تحتاج الدخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.

دخول

الاشتراک